ML加速求解器 ── 用机器学习加速CAE求解器
用ML加速求解器的理念
老师，用AI真的能加速FEM求解器吗？ 那是把求解器的内部用神经网络替换吗？
不是「替换」，而是在求解器耗时的步骤中集成ML来加速。看看FEM求解器的计算时间构成。对于大规模的线性静力分析，求解线性方程组 $\mathbf{K}\mathbf{u}=\mathbf{f}$ 占整个计算时间的70～90%。使用迭代法（如CG法）时，「前处理」的好坏能让迭代次数相差10倍。
明白了，不是替换整个求解器，而是在瓶颈部分使用ML。
完全正确。比如，与其把整个引擎换成电动马达，不如用AI控制涡轮增压器来提高效率。在保持求解器数学严密性的同时，用ML快速找到「最优选择」是关键。
三种主要方法
具体有什么方法呢？
主要有三种方法：
1. AMG前处理的ML参数优化
代数多重网格法（AMG）被广泛用作迭代求解器的前处理，但粗视化层数、平滑迭代次数、阈值参数等设置会大大影响收敛速度。过去靠工程师经验设定，现在用神经网络从问题特征（刚度矩阵的谱特性、网格的非结构化程度等）预测最优参数，可以将迭代次数减少30～50%。
2. 牛顿-拉夫逊法的初值预测
在非线性分析中，每个荷载步的初始估计值大大影响收敛性。用神经网络从前一步的解或荷载模式预测下一步的近似解，就能显著减少牛顿-拉夫逊的迭代次数。在接触分析和蠕变分析中特别有效。
3. 超分辨率（粗→密网格预测）
用粗网格执行FEM，再用神经网络将结果转换为高分辨率。这是图像处理中超分辨率的思想。粗网格的解只需几分钟，超分辨到密网格相当的精度，总计算时间可以缩短到1/10以下。
第三种超分辨率很有趣！ 但粗网格抓不住应力集中这样的局部现象吧？
很好的问题。正是这点。应力集中和裂纹尖端这样的陡峭梯度场，仅从粗网格信息用神经网络准确重建很困难。目前，全局位移场的超分辨率效果不错，但局部应力的精度无法保证。设计初期的概略评估可以用，但详细设计的根据还需要额外验证。
DeepMind GraphNet和傅里叶神经算子
我听说DeepMind的GraphNet把模拟加速了1000倍，真的吗？
这是2020年Sanchez等人的论文（"Learning to Simulate Complex Physics with Graph Networks"）公布的成果，确实在特定的基准问题上达到了比传统求解器快1000倍的推论速度。将网格节点作为图的节点，单元连接作为边，用图神经网络（GNN）预测物理量的时间演化。
但要注意的是：
- 学习需要大量仿真数据（数千到数万个案例）
- 超出学习数据范围的条件精度会急剧下降
- 「快1000倍」是推论时间，加上学习成本有时反而更慢
- 精度在1～5%左右，作为工程判断的依据需要谨慎
还听过傅里叶神经算子（FNO）。它和GraphNet不一样吗？
FNO是Zongyi Li等人提出的方法，在傅里叶空间进行卷积，以学习PDE的解算子。GraphNet直接处理网格的连接关系，而FNO用傅里叶变换操作频率分量。在2D湍流的纳维-斯托克斯方程预测上表现出高精度。NVIDIA Modulus也实现了FNO，可用于CFD定常解预测。但对3D复杂几何的应用还在研究阶段。
商用求解器的实现现状
商用CAE软件中有ML加速功能吗？
真正搭载ML加速求解器的商用软件还很少，但有些迹象：
- Ansys 2024 R2：基于AI/ML的网格推荐功能。求解器内部的ML加速有限
- NVIDIA Modulus：在GPU上运行PINN和FNO的框架。用于CFD参数化研究加速
- Altair HyperWorks：基于ML的优化加速（romAI库）
- SimScale + ML：云CAE平台正在加入ML推荐功能
目前「求解器内部的ML加速」不如「求解器外的ML应用」（代理模型、自动参数推荐）更成熟。
精度保证的挑战
把ML加速求解器用在实际工作中，最大的难点是什么？
直白地说，就是精度保证。CAE的结果是设计决策的依据，「大差不差」是不够的。
FEM求解器有数学收敛证明 ── 网格细化则解接近真解，这是有保证的。但ML模型没有这种保证，只能说「在学习数据范围内精度高」。
实务中现实可行的方法是两阶段评价：
- 设计初期：用ML加速求解器快速筛选设计空间
- 详细设计：用传统高精度求解器验证有前景的方案
「ML求快，FEM求准」——这种分工是当前最优方案。
总结
总结一下，ML加速求解器是在FEM的瓶颈（前处理、初值预测、分辨率变换）中集成ML来加速。DeepMind的GraphNet有1000倍加速的案例，但精度保证是问题，实务中用两阶段法：初期筛选用ML加速，后期再用FEM验证 ── 是这样吧？
理解得完全正确。首先建议试试NVIDIA Modulus的教程，用2D流场的FNO预测。有一块GPU就能跑，还能体会传统CFD和ML的精度差异。「快但精度会掉到哪」亲眼看一遍很重要。
CAE技术日新月异。— Project NovaSolver致力于将最新研究成果与实务接轨。
与实务者共同思考CAE的未来
Project NovaSolver是一个研发项目，致力于直面ML加速求解器的实务课题本质，构建支撑工程现场的工具。
查看项目最新信息 →更详细
报告